家庭教师av

（图文|信息 编辑|信息 审核|张泽宇）近日，家庭教师av 401课题组在人工智能期刊《NEURAL NETWORKS》发表题为“Enhancing signed graph neural networks through curriculum-based training”的研究论文，通过让模型“先易后难”地学习，有效解决了符号图中“不平衡三元组”带来的学习困难问题。

符号图是一种能够同时表示“正向关系”（如好友、信任、上调表达等）和“负向关系”（如敌人、不信任、下调表达等）的复杂网络模型。近年来，符号图神经网络（SGNN）被广泛应用于社交推荐、加密货币反欺诈、基因调控网络推断等任务。然而现有SGNN训练方法通常将所有样本（边）随机输入模型，忽视了不同样本在学习难度上的巨大差异，导致模型难以有效学习复杂结构中的信息。

研究团队发现，符号图中存在大量“不平衡三角形”（如A信任B，B信任C，但A不信任C），这些结构导致节点表示存在矛盾，极大增加了学习难度。为此，研究团队提出CSG框架，通过3个核心步骤实现“由易到难”的课程式训练，如下图所示。

在比特币交易网络（Bitcoin-OTC）、维基百科管理员选举网络（WikiRfa）、科技新闻社区Slashdot等6个真实数据集上的实验结果显示，CSG对5种主流SGNN模型（SGCN、SNEA、SDGNN、SGCL、GS-GNN）均有显著提升。其中，在Slashdot数据集上，SGCN模型的AUC指标从58.6%跃升至72.5%，提升幅度达23.7%；在WikiRfa数据集上，模型标准差降低8.4%，稳定性大幅增强。

研究团队进而指出，CSG尤其适用于样本稀疏、关系复杂的真实场景。在仅使用40%训练数据的极端情况下，CSG仍能带来13.6%的性能提升，为数据稀缺的生物网络分析提供了解决方案。此外，CSG的额外计算开销仅为原始训练时间的1.5倍左右，具备良好的实用价值。

家庭教师av 张泽宇副教授为论文第一作者，王茂军教授、李嘉位博士为论文共同通讯作者。新西兰奥克兰大学Kaiqi Zhao教授、成都电子科技大学朱晓峰教授、美国伊利诺伊大学芝加哥分校Philip S. Yu教授参与指导该项研究。该研究获国家自然科学基金、新疆科技厅重大项目、多模态人工智能系统全国重点实验室开放课题等资助。

原文链接：//doi.org/10.1016/j.neunet.2025.107975